Bibliographic record
Abstract
Az új kultúrákkal való találkozás és az egyének beilleszkedésének folyamata önmagában is érdekes kutatási terület, de az különösen, hogy azonos kultúra tagjai más kultúrákat mi alapján találnak vonzónak, míg más kultúrák semleges vagy épp negatív érzéseket keltenek bennük. A „vonzó” kultúrák otthonos érzést adnak a magyar kultúra tagjának, míg a „taszító” kultúrákban az egyén szinte elképzelhetetlennek tartja a szoros viszonyt a két kultúra között. Azevedo (2011) kutatásai alapján tudjuk, hogy hatalmas kulturális különbségek ellenére is zökkenőmentes lehet az együttműködés két kultúra tagjai között, de két kultúra találkozása mindig hatással van az egyénekre. A kutatás ezeket a kulturális hatásokat és a vonzó/taszító kulturális jellegzetességeket vizsgálja. A tanulmány a dél-koreai kultúra magyar szempontból való mélyebb megértésére irányuló kutatás eredményeit mutatja be. A magyar kultúra tagjait kérdezte a koreai kultúrában megélt élményeikről, tapasztalataikról, gondolataikról. Földrajzilag két igen távoli kultúráról van szó, amelyek történelme, értékei, hagyományai merőben eltérőek. A kutatási előfeltevés szerint a markáns kulturális különbözőségeket a két kultúrában mélyen kódolt értékek adják, amelyek a kultúra tagjainak cselekedetein keresztül megismerhetők. A tanulmány a dél-koreai és a magyar kultúra találkozásakor megtapasztalt kulturális eltérések értelmezését mutatja be a kétkultúra együttműködési hatékonyságának a javítása érdekében.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.029 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".